Question

我在文件中有以下数据

"a","b","1","2"
"a","b","4","3"
"a","b","3","1"

我正在使用以下命令

阅读此文件

File1 = LOAD '/path' using PigStorage (',') as (f1:chararray,f2:chararray,f3:int,f4:int)

但这里忽略了第3和第4栏的数据

如何正确阅读此文件或以任何方式使PIG跳过'''

我正在使用Apache Pig版本0.10.0

的其他信息

Answer 1

您可以使用REPLACE功能（虽然它不会在一次通过中）：

file1 = load 'your.csv' using PigStorage(',');
data = foreach file1 generate $0 as (f1:chararray), $1 as (f2:chararray), REPLACE($2, '\\"', '') as (f3:int), REPLACE($3, '\\"', '') as (f4:int);

您也可以在REGEX_EXTRACT使用正则表达式：

file1 = load 'your.csv' using PigStorage(',');
data = foreach file1 generate $0, $1, REGEX_EXTRACT($2, '([0-9]+)', 1), REGEX_EXTRACT($3, '([0-9]+)', 1);

当然，你可以用同样的方式擦除{1}} f1和f2。

Answer 2

尝试以下（无需转义或替换双引号）：

using org.apache.pig.piggybank.storage.CSVExcelStorage()

Answer 3

如果您安装了Jython，则可以部署一个简单的UDF来完成这项工作。

python UDF

#!/usr/bin/env python

'''
udf.py
'''

@outputSchema("out:chararray")
def formatter(item):
    chars = 'abcdefghijklmnopqrstuvwxyz'
    nums = '1234567890'
    new_item = item.split('"')[1]
    if new_item in chars:
        output = str(new_item)
    elif new_item in nums:
        output = int(new_item)

    return output

猪脚本

REGISTER 'udf.py' USING jython as udf;
data = load 'file' USING PigStorage(',') AS (col1:chararray, col2:chararray,
       col3:chararray, col4:chararray);
out = foreach data generate udf.formatter(col1) as a, udf.formatter(col3) as b;
dump out

(a,1)
(a,4)
(a,3)

Answer 4

如何使用REPLACE？如果这种情况很简单吗？

data = LOAD 'YOUR_DATA' Using PigStorage(',') AS (a:chararray, b:chararray, c:chararray, d:chararray) ;

new_data = foreach data generate 
   REPLACE(a, '"', '') AS a,
   REPLACE(b, '"', '') AS b, 
   (int)REPLACE(c, '"', '') AS c:int, 
   (int)REPLACE(d, '"', '') AS d:int;

还有一个提示：如果要加载csv文件，请在Excel中设置正确的数字格式，就像工具也可能有用。

如何在PIG中加载文件时忽略“（双引号）？

4 个答案: